Contribuições da Campanha Presidencial America em 2016, estado do TX por Daniel Teobaldo
Introdução
Para este projeto escolhi uma das bases de dados sugeridas pela Udacity: Financiamento da Campanha Presidencial dos EUA de 2016.
A idéia inicial era de se fazer a analise do estado dde NY, no entanto havia uma discrepancia muito grande nas contibuições uma vez que o comite “HILLARY VICTORY FUND” teve quase metade (45%) do valor de contribuições referentes a este estado em apenas 23 contribuições das 649.460 contribuições registradas, todas acima de U$ 100.000. Apenas este comite realizou contribuições acima deste valor. A maior contribuição abaixo deste valor de U$ 100.000 foi de U$ 11.816,25. A remoção dos outliers traria um dataset que não representaria o conjunto de dados do estado.
#Verifica a distribuição dos valores de controbuições do dataset
summary(USACampaign$contb_receipt_amt)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -10100 15 27 264 100 12777706USACampaign$contb_receipt_amt <- abs(USACampaign$contb_receipt_amt)
USACampaign$contb_range <- cut(USACampaign$contb_receipt_amt, c(0,100,500,2000,50000,max(USACampaign$contb_receipt_amt)))
#Verifica contribuintes com contribuições superiores a U$ 100.000
USACampaign[USACampaign$contb_receipt_amt >= 100000,]$contbr_nm## [1] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [3] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [5] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [7] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [9] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [11] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [13] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [15] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [17] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [19] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [21] HILLARY VICTORY FUND - UNITEMIZED HILLARY VICTORY FUND - UNITEMIZED
## [23] HILLARY VICTORY FUND - UNITEMIZED
## 119407 Levels: BLACKMORE, ANDI POTAMKIN ... ZYWICZYNSKI, JERRY MR.#Valor máximo abaixo de U$ 100.000
max(USACampaign[USACampaign$contb_receipt_amt < 100000,]$contb_receipt_amt)## [1] 11816.25sum(USACampaign[USACampaign$contbr_nm == "HILLARY VICTORY FUND - UNITEMIZED",]$contb_receipt_amt)/sum(USACampaign$contb_receipt_amt)*100## [1] 45.12158count(USACampaign[USACampaign$contbr_nm == "HILLARY VICTORY FUND - UNITEMIZED",])## # A tibble: 1 x 1
## n
## <int>
## 1 23USACampaign$hillary_comitte <- ifelse(USACampaign$contbr_nm == "HILLARY VICTORY FUND - UNITEMIZED", "Y", "N")
#Contribuições HILLARY VICTORY vs OTHERS - Distribuição dos valores e total de contribuição
g1 <- ggplot(aes(x=hillary_comitte),
data = USACampaign)+
geom_bar(stat = 'count')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
ggtitle('Comparação das contribuições entre comite da Hillary e outros')
g2 <- ggplot(aes(x=hillary_comitte, y=contb_receipt_amt),
data = USACampaign)+
geom_bar(stat = 'summary', fun.y = 'sum')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
ggtitle('Comparação da soma das contribuições entre comite da Hillary e outros')
#Distribuição de valores entre as faixas vs total dos valores por faixa
grid.arrange(g1, g2, ncol = 2)
g3 <- ggplot(aes(x=contb_range),
data = subset(USACampaign, !is.na(contb_range)))+
geom_bar(stat = 'count')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
ggtitle('Distribuição das contribuições em NY')
g4 <- ggplot(aes(x=contb_range, y=contb_receipt_amt),
data = subset(USACampaign, !is.na(contb_range)))+
geom_bar(stat = 'summary', fun.y = 'sum')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
ggtitle('Distribuição das contribuições em NY')
grid.arrange(g3, g4, ncol = 2)
# plotbox com e sem contribuições com valores superiores a R$ 100.000,00
ggplot(aes(y=contb_receipt_amt, x=cand_nm),
data = USACampaign)+
geom_boxplot()+
theme(axis.text.x = element_text(angle = 45, hjust = 1))
ggplot(aes(y=contb_receipt_amt, x=cand_nm),
data = subset(USACampaign, contbr_nm != "HILLARY VICTORY FUND - UNITEMIZED"))+
geom_boxplot()+
theme(axis.text.x = element_text(angle = 45, hjust = 1))
rm(g1, g2, g3, g4)Esta discrepancia traria um prejuizo na avaliação das contribuições entre os candidatos e restringiria as analises dos dados. Desta forma optei por fazer a analise das contribuições feitas pelos eleitores do estado do TX, que traz uma distribuição mais homogenea nas contribuições.
========================================================
Analise do dataset do estado do Texas
## [1] 12084 19## [1] 24 19##
## DALLA DALLAA DALLAD DALLALS DALLAS
## 1 1 4 1 40656
## DALLAS TEXAS DALLAS TX DALLAS, DALLAS, TX DALLAS9
## 2 1 1 1 1
## DALLASTX DALLASV DALLLAS
## 1 2 1Algumas verificações simples nesta base de dados nos aponta necessidade de tratamento das informações. Este tratamento será feito em um script a parte, em python (tratarDados.py). Maiores detalhes sobre este tratamentos pode ser visualizado no arquivo Tratamento de dados.md.
## [1] 16600## RETIRED INFORMATION REQUESTED NOT EMPLOYED
## 142978 25338 24405
## LAWYER SELF-EMPLOYED TEACHER
## 17517 13267 13119
## HOMEMAKER ENGINEER PHYSICIAN
## 11325 9016 8817
## SALES NURSE CONSULTANT
## 6943 5613 5519
## REAL ESTATE MANAGER
## 5327 4851 4407
## ACCOUNTANT SOFTWARE DEVELOPER CEO
## 4054 2896 2750
## PRESIDENT SOFTWARE ENGINEER RN
## 2386 2374 2372
## STUDENT CPA EXECUTIVE
## 2357 2081 2008
## EDUCATOR PROJECT MANAGER DIRECTOR
## 1866 1710 1472
## WRITER RANCHER TRUCK DRIVER
## 1425 1409 1403
## MARKETING OFFICE MANAGER INSURANCE
## 1279 1262 1224
## PILOT PHARMACIST ARTIST
## 1167 1118 1096
## ADMINISTRATOR PSYCHOLOGIST ANALYST
## 1049 1049 1034
## GEOLOGIST INVESTOR CONSTRUCTION
## 1030 1021 1005
## FARMER CONTRACTOR LIBRARIAN
## 977 970 966
## PARALEGAL REFUSED CFO
## 945 922 901
## SOCIAL WORKER VICE PRESIDENT ARCHITECT
## 880 859 857
## DENTIST MANAGEMENT DISABLED
## 843 806 805
## IT FINANCE DRIVER
## 777 754 739
## BOOKKEEPER PASTOR MUSICIAN
## 720 716 715
## INVESTMENTS ELECTRICIAN BANKER
## 704 665 659
## SALES MANAGER IT MANAGER FINANCIAL ADVISOR
## 659 652 641
## DESIGNER MINISTER VETERINARIAN
## 640 616 615
## PHOTOGRAPHER GENERAL MANAGER PSYCHOTHERAPIST
## 605 573 573
## FLIGHT ATTENDANT GEOPHYSICIST GRAPHIC DESIGNER
## 572 572 569
## SECRETARY SCIENTIST TECHNICIAN
## 567 564 534
## ENTREPRENEUR PROPERTY MANAGER BUSINESS ANALYST
## 523 514 513
## SUPERVISOR RETAIL EDUCATION
## 499 484 480
## CLERK ADMINISTRATIVE ASSISTANT LEGAL ASSISTANT
## 477 471 470
## BUSINESS PHYSICAL THERAPIST ELECTRICAL ENGINEER
## 469 468 456
## HUMAN RESOURCES LANDMAN BANKING
## 456 454 449
## SOFTWARE EXECUTIVE DIRECTOR EXECUTIVE ASSISTANT
## 447 440 437
## ACCOUNT MANAGER SALES REPRESENTATIVE (Other)
## 429 418 168408
## NA's
## 139## Min. 1st Qu. Median Mean 3rd Qu.
## "2013-10-21" "2016-02-06" "2016-04-29" "2016-04-27" "2016-08-12"
## Max.
## "2016-12-31"## [1] 548372 29## [1] "cmte_id" "cand_id"
## [3] "cand_nm" "contbr_nm"
## [5] "contbr_city" "contbr_st"
## [7] "contbr_zip" "contbr_employer"
## [9] "contbr_occupation" "contb_receipt_amt"
## [11] "contb_receipt_dt" "receipt_desc"
## [13] "memo_cd" "memo_text"
## [15] "form_tp" "file_num"
## [17] "tran_id" "election_tp"
## [19] "X" "city"
## [21] "lon" "lat"
## [23] "party" "cmte_nm"
## [25] "cmte_dsgn" "contb_receipt_dt_day"
## [27] "contb_receipt_dt_month" "contb_receipt_dt_year"
## [29] "contb_receipt_date"## 'data.frame': 548372 obs. of 29 variables:
## $ cmte_id : Factor w/ 26 levels "C00458844","C00496034",..: 7 16 16 8 7 7 16 16 7 16 ...
## $ cand_id : Factor w/ 25 levels "P00003392","P20002671",..: 1 23 23 12 1 1 23 23 1 23 ...
## $ cand_nm : Factor w/ 25 levels "Bush, Jeb","Carson, Benjamin S.",..: 4 23 23 20 4 4 23 23 4 23 ...
## $ contbr_nm : chr "MILLARD, SUSAN C." "SELLERS, CHRISTINE" "SELLERS, DAVID" "LEONE, MICHELLE" ...
## $ contbr_city : chr "CORPUS CHRISTI" "FORT WORTH" "WILLIS" "NORTH RICHLAND HILLS" ...
## $ contbr_st : chr "TX" "TX" "TX" "TX" ...
## $ contbr_zip : chr "784112213" "76108" "77318" "761826749" ...
## $ contbr_employer : chr "N/A" "BAYLOR HEALTHCARE SYSTEM" "RETIRED" "NOT EMPLOYED" ...
## $ contbr_occupation : Factor w/ 17310 levels ""," COUNSELOR",..: 13428 10140 13428 10107 14284 13860 7668 7668 11332 7205 ...
## $ contb_receipt_amt : num 37.1 127.1 80 15 50 ...
## $ contb_receipt_dt : chr "16-APR-16" "28-SEP-16" "01-DEC-16" "06-MAR-16" ...
## $ receipt_desc : chr "" "" "" "" ...
## $ memo_cd : chr "X" "X" "X" "" ...
## $ memo_text : chr "* HILLARY VICTORY FUND" "" "" "* EARMARKED CONTRIBUTION: SEE BELOW" ...
## $ form_tp : chr "SA18" "SA18" "SA18" "SA17A" ...
## $ file_num : int 1091718 1146165 1146165 1077404 1091718 1091718 1146165 1146165 1091718 1146165 ...
## $ tran_id : chr "C4725643" "SA18.90357" "SA18.120784" "VPF7BKZGYE4" ...
## $ election_tp : chr "P2016" "G2016" "G2016" "P2016" ...
## $ X : logi NA NA NA NA NA NA ...
## $ city : chr "CORPUS CHRISTI" "FORT WORTH" "WILLIS" "NORTH RICHLAND HILLS" ...
## $ lon : num -97.4 -97.3 -95.5 -97.2 -98.5 ...
## $ lat : num 27.8 32.8 30.4 32.9 29.4 ...
## $ party : chr "DEM" "REP" "REP" "DEM" ...
## $ cmte_nm : chr "HILLARY FOR AMERICA" "DONALD J. TRUMP FOR PRESIDENT, INC." "DONALD J. TRUMP FOR PRESIDENT, INC." "BERNIE 2016" ...
## $ cmte_dsgn : chr "P" "P" "P" "P" ...
## $ contb_receipt_dt_day : int 16 28 1 6 9 4 29 30 21 4 ...
## $ contb_receipt_dt_month: Ord.factor w/ 12 levels "JAN"<"FEB"<"MAR"<..: 4 9 12 3 4 4 11 11 4 10 ...
## $ contb_receipt_dt_year : int 16 16 16 16 16 16 16 16 16 16 ...
## $ contb_receipt_date : Date, format: "2016-04-16" "2016-09-28" ...## cmte_id cand_id cand_nm
## C00575795:203928 P00003392:203928 Clinton, Hillary Rodham :203928
## C00574624:138799 P60006111:138799 Cruz, Rafael Edward 'Ted':138799
## C00577130: 79955 P60007168: 79955 Sanders, Bernard : 79955
## C00580100: 77916 P80001571: 77916 Trump, Donald J. : 77916
## C00573519: 23694 P60005915: 23694 Carson, Benjamin S. : 23694
## C00458844: 8984 P60006723: 8984 Rubio, Marco : 8984
## (Other) : 15096 (Other) : 15096 (Other) : 15096
## contbr_nm contbr_city contbr_st
## Length:548372 Length:548372 Length:548372
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## contbr_zip contbr_employer contbr_occupation
## Length:548372 Length:548372 RETIRED :142978
## Class :character Class :character INFORMATION REQUESTED: 25338
## Mode :character Mode :character NOT EMPLOYED : 24405
## LAWYER : 17517
## SELF-EMPLOYED : 13267
## (Other) :324728
## NA's : 139
## contb_receipt_amt contb_receipt_dt receipt_desc
## Min. : 0.01 Length:548372 Length:548372
## 1st Qu.: 25.00 Class :character Class :character
## Median : 40.00 Mode :character Mode :character
## Mean : 175.02
## 3rd Qu.: 100.00
## Max. :16600.00
##
## memo_cd memo_text form_tp
## Length:548372 Length:548372 Length:548372
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## file_num tran_id election_tp X
## Min. :1003942 Length:548372 Length:548372 Mode:logical
## 1st Qu.:1077404 Class :character Class :character NA's:548372
## Median :1096256 Mode :character Mode :character
## Mean :1097493
## 3rd Qu.:1133832
## Max. :1146285
##
## city lon lat party
## Length:548372 Min. :-124.03 Min. :24.66 Length:548372
## Class :character 1st Qu.: -97.74 1st Qu.:29.76 Class :character
## Mode :character Median : -96.93 Median :30.26 Mode :character
## Mean : -97.11 Mean :30.99
## 3rd Qu.: -95.47 3rd Qu.:32.76
## Max. : -71.06 Max. :46.88
## NA's :613 NA's :613
## cmte_nm cmte_dsgn contb_receipt_dt_day
## Length:548372 Length:548372 Min. : 1.00
## Class :character Class :character 1st Qu.: 8.00
## Mode :character Mode :character Median :16.00
## Mean :16.36
## 3rd Qu.:25.00
## Max. :31.00
##
## contb_receipt_dt_month contb_receipt_dt_year contb_receipt_date
## OCT : 68919 Min. :13.00 Min. :2013-10-21
## JUL : 57731 1st Qu.:16.00 1st Qu.:2016-02-06
## MAR : 56585 Median :16.00 Median :2016-04-29
## SEP : 52846 Mean :15.81 Mean :2016-04-27
## APR : 50181 3rd Qu.:16.00 3rd Qu.:2016-08-12
## AUG : 49822 Max. :16.00 Max. :2016-12-31
## (Other):212288Este dataset do estado do Texas contem 548.396 observações com 28 variaveis. O dataset original (sem tratamento) contém 18 variáveis.
Seção de Gráficos Univariados
Nesta primeira analise tentei identificar o período em que as contribuições ocorreram com mais frequencia.
## Min. 1st Qu. Median Mean 3rd Qu.
## "2013-10-21" "2016-02-06" "2016-04-29" "2016-04-27" "2016-08-12"
## Max.
## "2016-12-31"## Warning: Removed 2 rows containing missing values (geom_path).
## Warning: Removed 101355 rows containing non-finite values (stat_bin).## Warning: Removed 3 rows containing missing values (geom_path).
## Warning: Ignoring unknown parameters: binwidth, bins, pad
## Warning: Ignoring unknown parameters: binwidth, bins, pad
Em sequencia realizei uma análise da distribuição dos valores de contribuições.
Quando gerei o primeiro gráfico com a distribuição dos valores, percebi uma contagem muito grande para as ocorrencias de menor valor (mais de 350.00). Reduzi então o binwidth em 10x para que as barras contivessem menos valores na mesma faixa uma vez que para valores baixos temos uma gama de valores muito grande. Depois reduzi o limite do eixo x com o objetivo de ter uma maior visibilidade das distribuições.
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.01 25.00 40.00 175.02 100.00 16600.00## 95%
## 700
## Warning: Removed 27359 rows containing non-finite values (stat_bin).
USACampaign.by_city <- USACampaign %>%
group_by(city) %>%
summarise(count = n()) %>%
arrange(desc(count))
head(USACampaign.by_city, 25)## # A tibble: 25 x 2
## city count
## <chr> <int>
## 1 HOUSTON 71294
## 2 AUSTIN 57745
## 3 DALLAS 41118
## 4 SAN ANTONIO 30240
## 5 FORT WORTH 16307
## 6 SPRING 12167
## 7 PLANO 9603
## 8 EL PASO 7763
## 9 ARLINGTON 7324
## 10 KATY 6063
## # ... with 15 more rowstop10_city <- head(USACampaign.by_city, 25)$city
# Ordena as cidades com base na quantidade de contribuições
USACampaign$city_ordered <- factor(USACampaign$city, USACampaign.by_city$city)
# Distribuição das contribuições entre as cidades com mais contribuições
ggplot(aes(x=city_ordered),
data = subset(USACampaign, city %in% top10_city))+
geom_bar(stat = 'count')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))
## geom_path: Each group consists of only one observation. Do you need to
## adjust the group aesthetic?
Análise Univariada
Qual é a estrutura do conjunto de dados?
O conjunto de dados possui registros de contribuições para o estado de TX, com 28 atributos no arquivo tratado e 18 no arquivo original.
Quais são os principais atributos de interesse deste conjunto de dados?
Os principais atributos deste conjunto de dados são os candidatos (cand_nm) e os valores das contribuições (contb_receipt_amt).
Quais outros atributos você acha que podem lhe auxiliar na investigação destes atributos de interesse?
Atributos realcionados a origem das contribuições serão muito úteis nesta analise. Entre elas estão:
- Nome do comite
- Nome do contribuinte
- Data de contribuição
- Ocupação do contribuinte
- Cidade do contribuinte
Além destas existem variáveis importantes como o partido do candidato.
Você criou novas variáveis a partir dos atributos existentes no conjunto de dados?
Sim. Foram criados as seguintes variaveis: - A partir da data, criei colunas com os componentes da data de contribuição (dia, mês e ano) - Foram incorporados dados do dataset de CEP (zipcode): cidade, longitude e latitude - Foi adicionada uma coluna com faixas dos valores doados. - A partir da base de dados dos candidatos (obtido na FEC), foi incorporado o partido do candidato - A partir da base de dados dos comites (obtido na FEC), foi incorporado o nome do comite
Dos atributos investigados, distribuições incomuns foram encontradas? Você aplicou operações nos dados para limpá-los, ajustá-los ou mudar a forma dos dados? Se sim, por quê?
Foram realizados tratamentos nos valores de contribuição. Para os valores negativos, foi considerado o valor absoluto. As contribuições zeradas foram eliminadas.
As datas de contribuição carregadas originalmente como caracter, foram convertidas para Date e quebrada em colunas separadas para dia, mes e ano.
Conforme apresentado na seção de tratamento de dados, fiz uma ajuste nos nomes das cidades para eleminar as cidades iguais registradas com grafias diferentes. O mesmo tratamento foi realizado para a ocupação dos contribuintes.
Todos os tratamentos foram realizados num script python a parte (tratarDados.py).
Seção de Gráficos Bivariados
Aqui fiz uma analise das distriuição dos valores ao longo do tempo. No primeiro gráfico foi feita uma analise mais ampla por todo o período compreendido no dataset. No segundo reduzi o faixa de valores para o ano de 2016 e foi considerada as contribuições realizadas dentro de 99% da amostragem.
## Warning: Removed 101744 rows containing missing values (geom_point).
Nesta analise podemos perceber a presença de faixas horizontais bem definidas para os valores doados com mais frequncias. Estes normalmente ão valores redodndos. Uma faixa bem definida é a 2700 dolares. Talvez houvesse uma opção explicita neste valor, ou fosse um teto de contribuição.
Estas mesmas faixas podem ser percebidas quando analisamos a os valores de contribuição por candidato, como visto abaixo. 
## Warning: Removed 1782 rows containing missing values (geom_point).
## Warning: Removed 7303 rows containing missing values (geom_point).
Com base nas informações de longitude (lon) e latitude (lat) recolhidas na base de dados de zipcode, mapeei as contribuições realizadas na estado do Texas.
## Warning: use rgdal::readOGR or sf::st_read
## Warning: use rgdal::readOGR or sf::st_read## Object of class SpatialPolygonsDataFrame
## Coordinates:
## min max
## x -106.64565 -93.50804
## y 25.83716 36.50070
## Is projected: NA
## proj4string : [NA]
## Data attributes:
## STATEFP COUNTYFP COUSUBFP COUSUBNS GEOID
## 48:862 027 : 9 90005 : 1 01938476: 1 4800190650: 1
## 309 : 9 90010 : 1 01938477: 1 4800191205: 1
## 085 : 8 90015 : 1 01938478: 1 4800191390: 1
## 099 : 8 90017 : 1 01938479: 1 4800192615: 1
## 215 : 8 90020 : 1 01938480: 1 4800192945: 1
## 277 : 8 90025 : 1 01938481: 1 4800390085: 1
## (Other):812 (Other):856 (Other) :856 (Other) :856
## NAME NAMELSAD LSAD CLASSFP
## Cedar Creek Lake: 3 Cedar Creek Lake CCD: 3 22:862 Z5:862
## Amarillo : 2 Amarillo CCD : 2
## Dalhart : 2 Dalhart CCD : 2
## Fort Hood : 2 Fort Hood CCD : 2
## Gladewater : 2 Gladewater CCD : 2
## Kilgore : 2 Kilgore CCD : 2
## (Other) :849 (Other) :849
## MTFCC CNECTAFP NECTAFP NCTADVFP FUNCSTAT ALAND
## G4040:862 NA's:862 NA's:862 NA's:862 S:862 Min. :2.939e+07
## 1st Qu.:3.446e+08
## Median :5.289e+08
## Mean :7.850e+08
## 3rd Qu.:9.027e+08
## Max. :9.519e+09
##
## AWATER INTPTLAT INTPTLON
## Min. :0.000e+00 +25.9648763: 1 -093.7054610: 1
## 1st Qu.:1.255e+06 +26.1029227: 1 -093.7135949: 1
## Median :3.961e+06 +26.1388555: 1 -093.7757556: 1
## Mean :2.206e+07 +26.1503878: 1 -093.7858765: 1
## 3rd Qu.:1.177e+07 +26.1710987: 1 -093.7971206: 1
## Max. :1.262e+09 +26.1883773: 1 -093.8170037: 1
## (Other) :856 (Other) :856
Análise Bivariada
Discuta sobre alguns dos relacionamentos observados nesta parte da investigação. Como os atributos de interesse variaram no conjunto de dados?
Você observou algum relacionamento interessante entre os outros atributos (os que não são de interesse)?
Qual foi o relacionamento mais forte encontrado?
Seção de Gráficos Multivariados
## Warning: Removed 613 rows containing missing values (geom_point).
Análise Multivariada
Discuta sobre os relacionamentos observados nesta parte da investigação. Quais atributos que fortaleceram os demais na observação das variáveis de interesse?
Interações surpreendentes e/ou interessantes foram encontradas entre os atributos?
OPCIONAL: Modelos foram criados usando este conjunto de dados? Discuta sobre os pontos fortes e as limitações do seu modelo.
Gráficos Finais e Sumário
Primeiro Gráfico
Descrição do Primeiro Gráfico
Segundo Gráfico
Descrição do Segundo Gráfico
Terceiro Gráfico
Descrição do Terceiro Gráfico
Reflexão
Referências
Abaixo o link para referências usadas para este trabalho
Detailed Files About Candidates, Parties and Other Committees - FEC
Arquivo SHP das cidades do estado do Texas - United States Census